Tu modelo muere en producción

Tu modelo tiene 95% de exactitud en el notebook. Lo subes a producción y se cae. Le pasa a todo el mundo la primera vez. Hoy lidero una plataforma de IA sobre GCP, y aprendí algo que casi nadie enseña en español: el 80% del trabajo de machine learning no es el modelo, es que siga funcionando.

Por qué el notebook miente

El notebook es un entorno congelado: datos estáticos, librerías fijas, sin concurrencia. Por eso engaña. Hay tres asesinos:

• Data drift. El mundo cambió y tu modelo no se enteró. La distribución de entrada de hoy no es la del entrenamiento.
• Dependencias no replicadas. Funcionaba con tu pandas local; en el servidor hay otra versión y un comportamiento sutilmente distinto.
• Supuestos de input que la realidad rompe. En banca lo vi con un scoring que asumía que un campo siempre venía lleno. Un día no vino. El modelo no falló ruidoso: falló en silencio, dando puntajes plausibles pero equivocados. Ese es el peor caso.

El MLOps mínimo viable (sin Kubernetes)

No necesitas una plataforma enorme para empezar. Necesitas tres cosas:

1. Entorno reproducible. Dependencias fijadas (lockfile). Lo que corre en producción es exactamente lo que probaste.
2. Un endpoint real. En 2026, desplegar un modelo en Vertex AI es cuestión de minutos. No es el notebook expuesto con Flask y los dedos cruzados.
3. Validación del esquema de entrada. Si llega algo que no respeta el contrato (tipo, rango, nulos), se rechaza ruidoso antes de predecir. Basura entra, error explícito sale — no una predicción silenciosa y falsa.

Lo que sí importa monitorear

El accuracy de hace seis meses no te dice nada hoy. Monitorea:

• Distribución de inputs vs. entrenamiento, con una herramienta como Evidently. Es la señal temprana de drift.
• Latencia. Un modelo correcto pero lento también está roto para el negocio.
• Tasa de fallo y de rechazo de schema. Sube de golpe → algo cambió aguas arriba.

Regla simple: si no lo monitoreas, no está en producción. Está en deuda técnica esperando a explotar en el peor momento.

La idea que se queda

Un modelo en producción es uno que vigilas, no uno que entrenaste y olvidaste. El despliegue no es la meta; es el día uno de la parte difícil.

Ver en video

Lo desarrollé con los tres asesinos y el setup mínimo en mi canal: Cristina Chapoñán | Data & IA — busca "Por qué tu modelo muere en producción".

¿Ya te pasó que un modelo se cayó al pasar a prod? Cuéntame qué lo mató.